
import pandas as pd
import numpy as np
import seaborn as sns
from matplotlib import pyplot as plt
import datetime as dt
import plotly.express as px
from scipy import stats as st
import math as mth
from tqdm import tqdm
import requests
from plotly import graph_objs as go
import warnings
warnings.simplefilter("ignore")


data = pd.read_csv('https://code.s3.yandex.net/datasets/mobile_dataset.csv')


data.head(3)


sources = pd.read_csv('https://code.s3.yandex.net/datasets/mobile_sources.csv')


sources.head(3)


data = data.rename(columns={'event.time':'event_date_time','event.name':'event_name','user.id':'user_id'})


sources=sources.rename(columns={'userId':'user_id'})


data.info()

<class 'pandas.core.frame.DataFrame'>
RangeIndex: 74197 entries, 0 to 74196
Data columns (total 3 columns):
 #   Column           Non-Null Count  Dtype 
---  ------           --------------  ----- 
 0   event_date_time  74197 non-null  object
 1   event_name       74197 non-null  object
 2   user_id          74197 non-null  object
dtypes: object(3)
memory usage: 1.7+ MB


data['event_date_time'] = pd.to_datetime(data['event_date_time'])
data.info()

<class 'pandas.core.frame.DataFrame'>
RangeIndex: 74197 entries, 0 to 74196
Data columns (total 3 columns):
 #   Column           Non-Null Count  Dtype         
---  ------           --------------  -----         
 0   event_date_time  74197 non-null  datetime64[ns]
 1   event_name       74197 non-null  object        
 2   user_id          74197 non-null  object        
dtypes: datetime64[ns](1), object(2)
memory usage: 1.7+ MB


display(data.head(3))
display(sources.head(3))


data.duplicated().sum()

0


sources.duplicated().sum()

0


data.isna().sum()

event_date_time    0
event_name         0
user_id            0
dtype: int64


sources.isna().sum()

user_id    0
source     0
dtype: int64


data['event_name'].value_counts()

tips_show        40055
photos_show      10012
advert_open       6164
contacts_show     4450
map               3881
search_1          3506
favorites_add     1417
search_5          1049
tips_click         814
search_4           701
contacts_call      541
search_3           522
search_6           460
search_2           324
search_7           222
show_contacts       79
Name: event_name, dtype: int64


data.loc[(data.query('event_name == "show_contacts"').index),'event_name'] = "contacts_show"
data['event_name'].value_counts()

tips_show        40055
photos_show      10012
advert_open       6164
contacts_show     4529
map               3881
search_1          3506
favorites_add     1417
search_5          1049
tips_click         814
search_4           701
contacts_call      541
search_3           522
search_6           460
search_2           324
search_7           222
Name: event_name, dtype: int64


print('Количество уникальных пользователей в датасете data',data['user_id'].nunique())
print('Количество уникальных пользователей в датасете sources',sources['user_id'].nunique())

Количество уникальных пользователей в датасете data 4293
Количество уникальных пользователей в датасете sources 4293


data_2 = data.merge(sources, on='user_id',how='left')
data_2.head(5)


data_2.info()

<class 'pandas.core.frame.DataFrame'>
Int64Index: 74197 entries, 0 to 74196
Data columns (total 4 columns):
 #   Column           Non-Null Count  Dtype         
---  ------           --------------  -----         
 0   event_date_time  74197 non-null  datetime64[ns]
 1   event_name       74197 non-null  object        
 2   user_id          74197 non-null  object        
 3   source           74197 non-null  object        
dtypes: datetime64[ns](1), object(3)
memory usage: 2.8+ MB


data_2.sort_values(['user_id', 'event_date_time'])


session = data_2.copy(deep=True)
session = session.sort_values(['user_id', 'event_date_time'])
g = (session.groupby('user_id')['event_date_time'].diff() > pd.Timedelta('30Min')).cumsum()

session['session_id'] = session.groupby(['user_id', g], sort=False).ngroup() + 1
session


session.info()

<class 'pandas.core.frame.DataFrame'>
Int64Index: 74197 entries, 805 to 72689
Data columns (total 5 columns):
 #   Column           Non-Null Count  Dtype         
---  ------           --------------  -----         
 0   event_date_time  74197 non-null  datetime64[ns]
 1   event_name       74197 non-null  object        
 2   user_id          74197 non-null  object        
 3   source           74197 non-null  object        
 4   session_id       74197 non-null  int64         
dtypes: datetime64[ns](1), int64(1), object(3)
memory usage: 3.4+ MB


user_event = session.pivot_table(index='user_id', aggfunc={'event_name':'count'})
user_event.columns = ['event_count']
display('Минимальное количесвто событий на одного пользователя:',user_event['event_count'].min())
display('Максимум событий на одного пользователя:',user_event['event_count'].max())

'Минимальное количесвто событий на одного пользователя:'

1

'Максимум событий на одного пользователя:'

478


user_event.describe()


fig = plt.figure(figsize =(40, 20))
session.pivot_table(index='user_id', columns='event_name',aggfunc='count').boxplot()
plt.ylabel('Количество')
plt.xlabel('Виды действий')
plt.title('Ящики с усами по действиям')
plt.xticks(rotation=45)
plt.show()


print('Максимальная дата:',session['event_date_time'].dt.strftime('%Y-%m-%d').max())

Максимальная дата: 2019-11-03


print('Минимальная дата:',session['event_date_time'].dt.strftime('%Y-%m-%d').min())

Минимальная дата: 2019-10-07


print('Временной период =', (session['event_date_time'].max() - session['event_date_time'].min()))

Временной период = 27 days 23:58:12.101130


session['event_date_time'].hist(bins = 30).set_title('Количество событий на протяжении анализа',fontsize=20)
plt.xlabel("Дата", fontsize=12)
plt.xticks(rotation=70) 
plt.ylabel('Кол-во событий', fontsize=12)
plt.show()


print('Количество пользователей:', session['user_id'].nunique())
print('Количество событий:', session['event_name'].count())

Количество пользователей: 4293
Количество событий: 74197


print('Количество событий, совершающий один пользователь -',round(session['event_name'].count()/session['user_id'].nunique()))

Количество событий, совершающий один пользователь - 17


show_contact = session.query('event_name == "contacts_show"').groupby('user_id')['event_name'].count().sort_values(ascending=False)
print('Количество пользователей ,совершившие просмотр контактов =' , len(show_contact))

Количество пользователей ,совершившие просмотр контактов = 981


show_contact.describe()

count    981.000000
mean       4.616718
std        9.621611
min        1.000000
25%        1.000000
50%        2.000000
75%        4.000000
max      137.000000
Name: event_name, dtype: float64


count_event = session.pivot_table(index='event_name',values='user_id',aggfunc='count').sort_values(by='user_id',
ascending=False).reset_index()
count_event


fig = px.bar(count_event, x='event_name', y='user_id', text ='user_id', color='event_name',
             title = 'Количество событий всех пользователей'
             )
fig.update_layout(xaxis_title = 'Категория события',
                  yaxis_title = 'Количество пользователей')
fig.show()


show_contact = session.query('event_name == "contacts_show"').groupby('user_id')['event_name'].count().sort_values(ascending=False)
print('Количество пользователей ,совершившие просмотр контактов =' , len(show_contact))

Количество пользователей ,совершившие просмотр контактов = 981


print('Количество пользователей:', session['user_id'].nunique())

Количество пользователей: 4293


print('До события совершил просмотр контактов, доходят',len(show_contact)/session['user_id'].nunique() * 100)

До события совершил просмотр контактов, доходят 22.851153039832283


event_count = session.groupby('user_id')[['event_name']].count().reset_index()
print(f"Количество пользователей, кто совершившил одно действие: {len(event_count[event_count['event_name'] == 1])}")

Количество пользователей, кто совершившил одно действие: 65


event_count.describe()


session.groupby(['user_id'])['event_name'].nunique().reset_index()['event_name'].value_counts()

2     1365
1     1153
3      875
4      486
5      232
6      105
7       39
8       29
9        7
10       1
11       1
Name: event_name, dtype: int64


drop_one_events= list(event_count[event_count['event_name'] == 1]['user_id'].unique())
session = session.query('user_id not in @drop_one_events')


user_id_show_contact= session.query('event_name == "contacts_show"')['user_id']
user_id_show_contact= list(user_id_show_contact.unique())


id_show_contact = session.query("user_id in @user_id_show_contact")
id_show_contact = id_show_contact.pivot_table(index='event_name',values='user_id',aggfunc='count')\
.rename(columns={'user_id':'user_show'})\
.sort_values(by='user_show',
ascending=False).reset_index()
id_show_contact


session_not_see_contact = session.query("user_id not in @id_show_contact")
session_not_see_contact = session_not_see_contact.pivot_table(index='event_name',values='user_id',
aggfunc='count')\
.rename(columns={'user_id':'user_no_show_contact'})\
.sort_values(by='user_no_show_contact',
ascending=False).reset_index()
session_not_see_contact


session_not_see_contact['no_show_proz'] = session_not_see_contact['user_no_show_contact']/session_not_see_contact['user_no_show_contact'].sum()
session_not_see_contact.style.format({'share':'{:.2%}'})


id_show_contact['show_proz'] = id_show_contact['user_show'] / id_show_contact['user_show'].sum()
id_show_contact.style.format({'share':'{:.2%}'})


see_show_user = session_not_see_contact.merge(id_show_contact, on='event_name', how='outer')
see_show_user_proz = see_show_user[['event_name' ,'no_show_proz','show_proz']]
see_show_user_proz


ax=see_show_user_proz.plot(x="event_name", y=["no_show_proz", "show_proz"],
kind="bar",figsize=(15,8))
ax.set_title("Доли совершения событий из общего числа событий для пользователей"),
ax.set_xlabel("События"),
ax.set_ylabel("Доли совершения событий"),
plt.show()


channel = session.pivot_table(index='source',values='user_id',aggfunc='nunique').reset_index()
source_users = channel.copy(deep=True)
channel


channel.plot(x="source", y='user_id',kind="bar",figsize=(15,8),title='Распределение количества просмотра контактов по источникам ')
plt.xlabel("Источник, прихода пользователей"),
plt.ylabel("Количество пользователей"),
plt.show()


show_contact_channel= session.query('event_name == "contacts_show"')
channel=show_contact_channel.pivot_table(index='source',values='event_name',aggfunc='count').reset_index()
show_contact_channel = channel.copy(deep=True)
show_contact_channel


show_contact_channel.plot(x="source", y='event_name',kind="bar",figsize=(15,8),title='Распределение количества просмотра контактов по источникам ')
plt.xlabel("Источник, прихода пользователей"),
plt.ylabel("Количество пользователей"),
plt.show()


max_count_session=session.groupby('user_id').agg({'session_id':'nunique'}).max()
print('Максимальное количество сессий на пользователя',max_count_session)

Максимальное количество сессий на пользователя session_id    99
dtype: int64


mim_count_session=session.groupby('user_id').agg({'session_id':'nunique'}).min()
print('Минимальное количество сессий на пользователя',mim_count_session)

Минимальное количество сессий на пользователя session_id    1
dtype: int64


avg_count_session=session.pivot_table(index='user_id', values='session_id', aggfunc='count').median()
print('Среднее количество сессий на пользователя',avg_count_session)

Среднее количество сессий на пользователя session_id    9.0
dtype: float64


time_session=session.pivot_table(index='session_id',values='event_date_time', aggfunc=['max','min']).reset_index()
time_session.columns=['session_id','max_time_session','min_time_session']
time_session['time_sessions'] = time_session['max_time_session'] - time_session['min_time_session']
print('Средняя продолжительность сессии',time_session['time_sessions'].median())

Средняя продолжительность сессии 0 days 00:05:41.153871


first_event = session.pivot_table(index=['user_id','event_name'],values='event_date_time',aggfunc=['min','count'])
first_event .columns = ['first_event_time','count_event']
first_event  = first_event .sort_values(by='first_event_time').reset_index()
first_event


first_event = first_event.pivot_table(index='event_name',values='user_id',aggfunc=['first','count']).reset_index()
first_event.columns=['event_name','user','count']
first_event.sort_values(by='count', ascending=False)


fig = px.bar(first_event.sort_values(by='count', ascending=False), x='event_name', y='count', text ='count', color='event_name',
             title = 'Количество первых событий '
             )
fig.update_layout(xaxis_title = 'Категория события',
                  yaxis_title = 'Количество событий')
fig.show()


user_id_show_contact= session.query('event_name == "contacts_show"')['user_id']


id_show_contact = session.query("user_id in @user_id_show_contact")
id_show_contact = id_show_contact.pivot_table(index='event_name',values='user_id',aggfunc='count')\
.sort_values(by='user_id',ascending=False).reset_index()
id_show_contact


fig = px.bar(id_show_contact, x='event_name', y='user_id', text ='user_id', color='event_name',
             title = 'Количество событий пользователя,которые просматривают контакты'
             )
fig.update_layout(xaxis_title = 'Категория события',
                  yaxis_title = 'Количество событий')
fig.show()


cout_user_event = session.pivot_table(index='event_name', values='user_id',aggfunc='nunique').reset_index()
cout_user_event


all_users = session.pivot_table(index=['user_id','event_name'], values='event_date_time', aggfunc='first').reset_index()
all_users = all_users.query('event_name == "contacts_show"')
all_users_list = list(all_users['user_id'])
all_users


all_users_con = session.query('user_id in @all_users_list')


all_users_con = all_users_con.pivot_table(index='event_name', values='user_id',
aggfunc='nunique').reset_index()
all_users_con.columns=['event_name','convert']
all_users_con = all_users_con.query('event_name != "contacts_call" and event_name != "contacts_show"')
all_users_con


all_users_count_events = session.pivot_table(index='event_name', values='user_id',aggfunc='nunique').reset_index()
all_users_count_events.columns=['event_name','total_users']

all_users_count_events = all_users_count_events.query('event_name != "contacts_call" and \
event_name != "contacts_show"')
all_users_count_events


session_cr = all_users_count_events.merge(all_users_con, on='event_name')
session_cr['cr'] = session_cr['convert'] / session_cr['total_users']
session_cr.sort_values(by='cr', ascending=False)


fig = px.bar(session_cr.sort_values(by='cr', ascending=False), x='event_name', y='cr', text ='event_name', color='event_name',
             title = 'Количество событий пользователя,которые просматривают контакты'
             )
fig.update_layout(xaxis_title = 'Категория события',
                  yaxis_title = 'Конверсия событий')
fig.show()


session_show_contact= session.query("user_id in @user_id_show_contact")
session_show_contact


event_contact_show = session_show_contact.query('event_name == "contacts_show"')
event_contact_show.pivot_table(index='user_id',values='event_name', aggfunc='count').reset_index()


session_show_contact = session_show_contact.pivot_table(index=['session_id','event_name'],
values='event_date_time',aggfunc='first').reset_index()
session_show_contact


events_that_viewed = session_show_contact.groupby('session_id')['event_date_time'].min().reset_index()
events_that_viewed.columns = ['session_id','first_event']

events_that_viewed_time = event_contact_show.groupby('session_id')['event_date_time'].min().reset_index()
events_that_viewed_time.columns = ['session_id','first_show_contacts']


time_show_contact = events_that_viewed .merge(events_that_viewed_time,on='session_id').reset_index()

time_show_contact = time_show_contact.query('first_show_contacts > first_event')
time_show_contact['diff'] = (time_show_contact['first_show_contacts'] -time_show_contact['first_event'])
time_show_contact


time_show_contact.describe()


session_3 = session.copy(deep=True)


def events_type(i):
    if 'search' in i:
        new_name = 'search'
        return new_name
    return i

session_3['event_name'] = session_3['event_name'].apply(events_type)


session_3['event_name'].value_counts()

tips_show        40025
photos_show      10008
search            6776
advert_open       6163
contacts_show     4523
map               3865
favorites_add     1417
tips_click         814
contacts_call      541
Name: event_name, dtype: int64


session_3


# Удаляем дубликаты событий в сессиях
data = session_3.drop_duplicates(subset=['session_id', 'event_name']).copy()


# Оставляем только необходимые колонки
data = data[['session_id', 'event_name', 'event_date_time']]


# Создаем датафрейм для первого события и находим минимальное время для каждой сессии
first_event = (data[data['event_name'] == 'map']
                        .groupby('session_id', as_index=False)
                        .agg(map_event_time=('event_date_time', 'min')))


# Соединяем датафреймы для второго и первого событий
second_event = (data[data['event_name'] == 'contacts_show']
                    .merge(first_event, on='session_id', how='left'))


# Оставляем только те строки, где время второго события больше времени первого
second_event = second_event[second_event['event_date_time'] > second_event['map_event_time']]


# Переименовываем колонку и удаляем лишнюю
second_event = (second_event.rename(columns={"event_date_time": "contacts_event_time"})
                      .drop(['event_name'], axis=1))


second_event


second_event['diff']=second_event['contacts_event_time']-second_event['map_event_time']


second_event


average_time = second_event['diff'].mean()
median_time = second_event['diff'].median()


print(f"Среднее время между map и show_contacts: {average_time}")

Среднее время между map и show_contacts: 0 days 00:11:01.162961117


print(f"Медианное времени между map и show_contacts: {median_time}")

Медианное времени между map и show_contacts: 0 days 00:05:21.764177500


# Создаем датафрейм для первого события и находим минимальное время для каждой сессии
first_event_searsh = (data[data['event_name'] == 'search']
                        .groupby('session_id', as_index=False)
                        .agg(search_event_time=('event_date_time', 'min')))


# Соединяем датафреймы для второго и первого событий
second_event_contact = (data[data['event_name'] == 'contacts_show']
                    .merge(first_event_searsh, on='session_id', how='left'))


# Оставляем только те строки, где время второго события больше времени первого
second_event_contact = second_event_contact[second_event_contact['event_date_time'] > second_event_contact['search_event_time']]


# Переименовываем колонку и удаляем лишнюю
second_event_contact = (second_event_contact.rename(columns={"event_date_time": "contacts_event_time"})
                      .drop(['event_name'], axis=1))


second_event_contact['diff']=second_event_contact['contacts_event_time']-second_event_contact['search_event_time']


second_event_contact


mean_value = second_event_contact['diff'].mean()
median_value = second_event_contact['diff'].median()


print('Среднее время между search и show_contacts: ',mean_value)

Среднее время между search и show_contacts:  0 days 00:09:02.771149312


print('Медиана времени между search и show_contacts: ',median_value)

Медиана времени между search и show_contacts:  0 days 00:04:22.133708


events_by_users = session_3.groupby('event_name').agg({'user_id': 'nunique'}).sort_values('user_id', ascending=False).reset_index()
events_by_users.columns = ['event_name', 'cnt_users']
events_by_users


events_by_users['share'] = events_by_users['cnt_users'] / session_3['user_id'].nunique()
events_by_users.style.format({'share':'{:.2%}'})


session_3


e=pd.DataFrame(session_3)


e['event_date_time']=pd.to_datetime(e['event_date_time'])


e.sort_values(by=['session_id','event_date_time'],inplace=True)

e


e['event_unique']=e.groupby('session_id')['event_name'].apply(lambda x: x.mask(x.duplicated()))


e.drop(columns=['event_name'],inplace=True)
e.reset_index(drop=True,inplace=True)


e.sort_values(by='session_id', ascending=False)


e.sort_values(['session_id','event_unique'],inplace=True)
e.reset_index(drop=True,inplace=True)


event_distraction=e.groupby('session_id')['event_unique'].nunique()


min_steps=event_distraction.min()
max_steps=event_distraction.max()
avg_steps=event_distraction.mean()


print('Минимальное число шагов',min_steps)
print('Максимальное число шагов',max_steps)
print('Среднее число шагов',avg_steps)

Минимальное число шагов 1
Максимальное число шагов 6
Среднее число шагов 1.7265844899543823


def add_features(df):
    
    """Функция генерации новых столбцов для исходной таблицы

    Args:
        df (pd.DataFrame): исходная таблица.
    Returns:
        pd.DataFrame: таблица с новыми признаками.
    """
    
    # сортируем по id и времени
    sorted_df = df.sort_values(by=['session_id', 'event_date_time']).copy()
    # добавляем шаги событий
    sorted_df['step'] = sorted_df.groupby('session_id').cumcount() + 1
    
    # добавляем узлы-источники и целевые узлы
    # узлы-источники - это сами события
    sorted_df['source'] = sorted_df['event_unique']
    # добавляем целевые узлы
    sorted_df['target'] = sorted_df.groupby('session_id')['source'].shift(-1)
    
    # возврат таблицы без имени событий
    return sorted_df.drop(['event_unique'], axis=1)
  
# преобразуем таблицу
e = add_features(e)
e.head(10)


#удалим все пары source-target, шаг которых превышает 3
#и сохраним полученную таблицу в отдельную переменную
df_comp = e[e['step'] <= 3].copy().reset_index(drop=True)


def get_source_index(df):
    
    """Функция генерации индексов source

    Args:
        df (pd.DataFrame): исходная таблица с признаками step, source, target.
    Returns:
        dict: словарь с индексами, именами и соответсвиями индексов именам source.
    """
    
    res_dict = {}
    
    count = 0
    # получаем индексы источников
    for no, step in enumerate(df['step'].unique().tolist()):
        # получаем уникальные наименования для шага
        res_dict[no+1] = {}
        res_dict[no+1]['sources'] = df[df['step'] == step]['source'].unique().tolist()
        res_dict[no+1]['sources_index'] = []
        for i in range(len(res_dict[no+1]['sources'])):
            res_dict[no+1]['sources_index'].append(count)
            count += 1
            
    # соединим списки
    for key in res_dict:
        res_dict[key]['sources_dict'] = {}
        for name, no in zip(res_dict[key]['sources'], res_dict[key]['sources_index']):
            res_dict[key]['sources_dict'][name] = no
    return res_dict
  # создаем словарь
source_indexes = get_source_index(df_comp)


def generate_random_color():
    
    """Случайная генерация цветов rgba

    Args:
        
    Returns:
        str: Строка со сгенерированными параметрами цвета
    """
    
    # сгенерим значение для каждого канала
    r, g, b = np.random.randint(255, size=3)
    return f'rgba({r}, {g}, {b}, 1)'


def colors_for_sources(mode):
    
    """Генерация цветов rgba

    Args:
        mode (str): сгенерировать случайные цвета, если 'random', а если 'custom' - 
                    использовать заранее подготовленные
    Returns:
        dict: словарь с цветами, соответствующими каждому индексу
    """
    # словарь, в который сложим цвета в соответствии с индексом
    colors_dict = {}
    
    if mode == 'random':
        # генерим случайные цвета
        for label in df_comp['source'].unique():
            r, g, b = np.random.randint(255, size=3)            
            colors_dict[label] = f'rgba({r}, {g}, {b}, 1)'
            
    elif mode == 'custom':
        # присваиваем ранее подготовленные цвета
        colors = requests.get('https://raw.githubusercontent.com/rusantsovsv/senkey_tutorial/main/json/colors_senkey.json').json()
        for no, label in enumerate(df_comp['source'].unique()):
            colors_dict[label] = colors['custom_colors'][no]
            
    return colors_dict
  
  
 # генерю цвета из своего списка
colors_dict = colors_for_sources(mode='custom')


def percent_users(sources, targets, values):
    
    """
    Расчет уникальных id в процентах (для вывода в hover text каждого узла)
    
    Args:
        sources (list): список с индексами source.
        targets (list): список с индексами target.
        values (list): список с "объемами" потоков.
        
    Returns:
        list: список с "объемами" потоков в процентах
    """
    
    # объединим источники и метки и найдем пары
    zip_lists = list(zip(sources, targets, values))
    
    new_list = []
    
    # подготовим список словарь с общим объемом трафика в узлах
    unique_dict = {}
    
    # проходим по каждому узлу
    for source, target, value in zip_lists:
        if source not in unique_dict:
            # находим все источники и считаем общий трафик
            unique_dict[source] = 0
            for sr, tg, vl in zip_lists:
                if sr == source:
                    unique_dict[source] += vl
                    
    # считаем проценты
    for source, target, value in zip_lists:
        new_list.append(round(100 * value / unique_dict[source], 1))
    
    return new_list


def lists_for_plot(source_indexes=source_indexes, colors=colors_dict, frac=10):
    
    """
    Создаем необходимые для отрисовки диаграммы переменные списков и возвращаем
    их в виде словаря
    
    Args:
        source_indexes (dict): словарь с именами и индексами source.
        colors (dict): словарь с цветами source.
        frac (int): ограничение на минимальный "объем" между узлами.
        
    Returns:
        dict: словарь со списками, необходимыми для диаграммы.
    """
    
    sources = []
    targets = []
    values = []
    labels = []
    link_color = []
    link_text = []

    # проходим по каждому шагу
    for step in tqdm(sorted(df_comp['step'].unique()), desc='Шаг'):
        if step + 1 not in source_indexes:
            continue

        # получаем индекс источника
        temp_dict_source = source_indexes[step]['sources_dict']

        # получаем индексы цели
        temp_dict_target = source_indexes[step+1]['sources_dict']

        # проходим по каждой возможной паре, считаем количество таких пар
        for source, index_source in tqdm(temp_dict_source.items()):
            for target, index_target in temp_dict_target.items():
                # делаем срез данных и считаем количество id            
                temp_df = df_comp[(df_comp['step'] == step)&(df_comp['source'] == source)&(df_comp['target'] == target)]
                value = len(temp_df)
                # проверяем минимальный объем потока и добавляем нужные данные
                if value > frac:
                    sources.append(index_source)
                    targets.append(index_target)
                    values.append(value)
                    # делаем поток прозрачным для лучшего отображения
                    link_color.append(colors[source].replace(', 1)', ', 0.2)'))
                    
    labels = []
    colors_labels = []
    for key in source_indexes:
        for name in source_indexes[key]['sources']:
            labels.append(name)
            colors_labels.append(colors[name])
            
    # посчитаем проценты всех потоков
    perc_values = percent_users(sources, targets, values)
    
    # добавим значения процентов для howertext
    link_text = []
    for perc in perc_values:
        link_text.append(f"{perc}%")
    
    # возвратим словарь с вложенными списками
    return {'sources': sources, 
            'targets': targets, 
            'values': values, 
            'labels': labels, 
            'colors_labels': colors_labels, 
            'link_color': link_color, 
            'link_text': link_text}
  

# создаем словарь
data_for_plot = lists_for_plot()

Шаг:   0%|          | 0/3 [00:00<?, ?it/s]
  0%|          | 0/8 [00:00<?, ?it/s]
 50%|█████     | 4/8 [00:00<00:00, 35.53it/s]
100%|██████████| 8/8 [00:00<00:00, 34.72it/s]
Шаг:  33%|███▎      | 1/3 [00:00<00:00,  4.28it/s]
  0%|          | 0/10 [00:00<?, ?it/s]
 30%|███       | 3/10 [00:00<00:00, 26.94it/s]
100%|██████████| 10/10 [00:00<00:00, 32.02it/s][A
Шаг: 100%|██████████| 3/3 [00:00<00:00,  5.43it/s]


def plot_senkey_diagram(data_dict=data_for_plot):    
    
    """
    Функция для генерации объекта диаграммы Сенкей 
    
    Args:
        data_dict (dict): словарь со списками данных для построения.
        
    Returns:
        plotly.graph_objs._figure.Figure: объект изображения.
    """
    
    fig = go.Figure(data=[go.Sankey(
        domain = dict(
          x =  [0,1],
          y =  [0,1]
        ),
        orientation = "h",
        valueformat = ".0f",
        node = dict(
          pad = 50,
          thickness = 15,
          line = dict(color = "black", width = 0.1),
          label = data_dict['labels'],
          color = data_dict['colors_labels']
        ),
        link = dict(
          source = data_dict['sources'],
          target = data_dict['targets'],
          value = data_dict['values'],
          label = data_dict['link_text'],
          color = data_dict['link_color']
      ))])
    fig.update_layout(title_text="Sankey Diagram", font_size=10, width=1000, height=1200)
    
    # возвращаем объект диаграммы
    return fig
  

# сохраняем диаграмму в переменную
senkey_diagram = plot_senkey_diagram()


senkey_diagram.show()


search = session_3.query('event_name =="search"')
count_search= search['user_id'].nunique()
print('Количество пользователей, совершивших событие search =',count_search)

Количество пользователей, совершивших событие search = 1658


list_search= list(search['user_id'])


contact_show_ = session_3.query("user_id in @list_search and event_name == 'contacts_show'")
contact_show_count = contact_show_['user_id'].nunique()
print('Количество пользователей, совершивших событие contacts_show=',contact_show_count)

Количество пользователей, совершивших событие contacts_show= 377


from plotly import graph_objects as go

fig = go.Figure(go.Funnel(
    y = ['search','contacts_show_'],
    x = [search['user_id'].nunique(),contact_show_['user_id'].nunique()],
    textposition = "inside",
    textinfo = "value+percent initial",
opacity = 0.65, marker = {"color": ["deepskyblue", "lightsalmon", "tan", "teal", "silver"],
    "line": {"width": [4, 2, 2, 3, 1, 1], "color": ["wheat", "wheat", "blue", "wheat", "wheat"]}},
    connector = {"line": {"color": "royalblue", "dash": "dot", "width": 3}})
    )
fig.update_layout(
    title="Воронка пути search- contact_show' ",
    funnelmode="stack"
)
fig.show()


map_1 = session_3.query('event_name =="map"')
count_map= map_1['user_id'].nunique()
print('Количество пользователей, совершивших событие map =',count_map)

Количество пользователей, совершивших событие map = 1440


list_map_1= list(map_1['user_id'])


contact_show = session_3.query("user_id in @list_map_1 and event_name == 'contacts_show'")
contact_show_count_1 = contact_show['user_id'].nunique()
print('Количество пользователей, совершивших событие contacts_show=',contact_show_count_1)

Количество пользователей, совершивших событие contacts_show= 289


from plotly import graph_objects as go

fig = go.Figure(go.Funnel(
    y = ['map_1','contacts_show'],
    x = [map_1['user_id'].nunique(),contact_show['user_id'].nunique()],
    textposition = "inside",
    textinfo = "value+percent initial",
opacity = 0.65, marker = {"color": ["deepskyblue", "lightsalmon", "tan", "teal", "silver"],
    "line": {"width": [4, 2, 2, 3, 1, 1], "color": ["wheat", "wheat", "blue", "wheat", "wheat"]}},
    connector = {"line": {"color": "royalblue", "dash": "dot", "width": 3}})
    )
fig.update_layout(
    title="Воронка пути map -  contact_show' ",
    funnelmode="stack"
)
fig.show()


tips_show = session_3.query('event_name =="tips_show"')
count_tips_show= tips_show['user_id'].nunique()
print('Количество пользователей, совершивших событие tips_show =',count_tips_show)

Количество пользователей, совершивших событие tips_show = 2771


list_tips_show= list(tips_show['user_id'])


contact_show = session_3.query("user_id in @list_tips_show and event_name == 'contacts_show'")
contact_show_count_3 = contact_show['user_id'].nunique()
print('Количество пользователей, совершивших событие contacts_show=',contact_show_count_3)

Количество пользователей, совершивших событие contacts_show= 516


from plotly import graph_objects as go

fig = go.Figure(go.Funnel(
    y = ['tips_show','contact_show'],
    x = [tips_show['user_id'].nunique(),
         contact_show['user_id'].nunique()],
    textposition = "inside",
    textinfo = "value+percent initial",
opacity = 0.65, marker = {"color": ["deepskyblue", "lightsalmon", "tan", "teal", "silver"],
    "line": {"width": [4, 2, 2, 3, 1, 1], "color": ["wheat", "wheat", "blue", "wheat", "wheat"]}},
    connector = {"line": {"color": "royalblue", "dash": "dot", "width": 3}})
    )
fig.update_layout(
    title="Воронка пути tips_show - contact_show ",
    funnelmode="stack"
)
fig.show()


map_1 = session_3.query('event_name =="map"')
count_map= map_1['user_id'].nunique()
print('Количество пользователей, совершивших событие map =',count_map)

Количество пользователей, совершивших событие map = 1440


list_map_1= list(map_1['user_id'])


tips_show=session_3.query("user_id in @list_map_1 and event_name == 'tips_show'")
list_tips_show = list(tips_show['user_id'])
count_tips_show= tips_show['user_id'].nunique()
print('Количество пользователей, совершивших событие tips_show =',count_tips_show)

Количество пользователей, совершивших событие tips_show = 1352


contact_show = session_3.query("user_id in @list_tips_show and event_name == 'contacts_show'")
contact_show_count_2 = contact_show['user_id'].nunique()
print('Количество пользователей, совершивших событие contacts_show=',contact_show_count_2)

Количество пользователей, совершивших событие contacts_show= 275


from plotly import graph_objects as go

fig = go.Figure(go.Funnel(
    y = ['map_1','tips_show','contact_show'],
    x = [map_1['user_id'].nunique(),
         tips_show['user_id'].nunique(),
         contact_show['user_id'].nunique()],
    textposition = "inside",
    textinfo = "value+percent initial",
opacity = 0.65, marker = {"color": ["deepskyblue", "lightsalmon", "tan", "teal", "silver"],
    "line": {"width": [4, 2, 2, 3, 1, 1], "color": ["wheat", "wheat", "blue", "wheat", "wheat"]}},
    connector = {"line": {"color": "royalblue", "dash": "dot", "width": 3}})
    )
fig.update_layout(
    title="Воронка пути map - tips_show - contact_show ",
    funnelmode="stack"
)
fig.show()


users_show = session_3.pivot_table(index=['user_id','event_name'], values='event_date_time',aggfunc='first').reset_index()
list_users_show  = list(users_show .query('event_name == "contacts_show"')['user_id'])
users_show


users_show_count = users_show['user_id'].nunique()
print('Количество пользователей,которые совершили просмотр контактов =',users_show_count)

Количество пользователей,которые совершили просмотр контактов = 4228


user_show_tips = users_show.query('user_id in @list_users_show and event_name == "tips_show"')['user_id'].nunique()
print('Количество  пользователей(просматривали контакты),которые совершили tips_show = ', user_show_tips)

Количество  пользователей,которые совершили tips_show =  516


list_user_show_tips = list(users_show.query('user_id in @list_users_show and \
event_name == "tips_show"')['user_id'])


user_show_tips_and_click = users_show.query('user_id in @list_user_show_tips and \
event_name == "tips_click"')['user_id'].nunique()
print('Количество пользователей, ĸто совершил tips_show так же совершил событие tips_click=', user_show_tips_and_click)

Количество пользователей, ĸто совершил tips_show так же совершил событие tips_click= 91


tips_show_count = users_show.query('event_name == "tips_show"')['user_id'].nunique()
print('Kоличество пользователей,ĸоторые совершили tips_show =',tips_show_count)

Kоличество пользователей,ĸоторые совершили tips_show = 2771


list_tips_show_count = list(users_show.query('event_name == "tips_show"')['user_id'])


tips_click_count = users_show.query('user_id in @list_users_show and \
event_name == "tips_click"')['user_id'].nunique()
print('Kоличество пользователей,ĸоторые совершили tips_click:', tips_click_count)

Kоличество пользователей,ĸоторые совершили tips_click: 100


count_tips_show_and_tips_click= users_show.query('user_id in @list_tips_show_count and event_name == "tips_click"')['user_id'].nunique()
print('Количество пользователей,кто совершил tips_show + tips_click=',count_tips_show_and_tips_click)

Количество пользователей,кто совершил tips_show + tips_click= 297


user_show_tips_no_tips_click = user_show_tips - tips_click_count
print('Количество пользователей, которые совершили tips_show, которые так же просматривали контакты =',user_show_tips_no_tips_click)

Количество пользователей, которые совершили tips_show, которые так же просматривали контакты = 416


only_tips_show =tips_show_count-count_tips_show_and_tips_click
print('Количество пользователей, которые совершили tips_show=',only_tips_show)

Количество пользователей, которые совершили tips_show= 2474


purchases = np.array([user_show_tips_and_click, count_tips_show_and_tips_click])


leads = np.array([user_show_tips_no_tips_click, only_tips_show])


alpha = 0.05 
purchases = np.array([user_show_tips_and_click, count_tips_show_and_tips_click])
leads = np.array([user_show_tips_no_tips_click, only_tips_show])

print(purchases, leads)

# пропорция успехов в первой группе:
p1 = purchases[0]/leads[0]
# пропорция успехов во второй группе:
p2 = purchases[1]/leads[1]
# пропорция успехов в комбинированном датасете:
p_combined = (purchases[0] + purchases[1]) / (leads[0] + leads[1])
# разница пропорций в датасетах
difference = p1 - p2
# считаем статистику в ст.отклонениях стандартного нормального распределения
z_value = difference / mth.sqrt(p_combined * (1 - p_combined) * (1/leads[0] + 1/leads[1]))
# задаем стандартное нормальное распределение (среднее 0, ст.отклонение 1)
distr = st.norm(0, 1)
p_value = (1 - distr.cdf(abs(z_value))) * 2
print('p-значение: ', p_value)
if p_value < alpha:
    print('Отвергаем нулевую гипотезу: между значениями есть значимая разница')
else:
    print(
'Не получилось отвергнуть нулевую гипотезу, нет оснований считать значения разными'
)

[ 91 297] [ 416 2474]
p-значение:  4.672112763337566e-08
Отвергаем нулевую гипотезу: между значениями есть значимая разница


print('Количество пользователей,которые совершили просмотр контактов =',users_show_count)

Количество пользователей,которые совершили просмотр контактов = 4228


user_show_favorites_add = users_show.query('user_id in @list_users_show and \
event_name == "favorites_add"')['user_id'].nunique()
print('Кол-во пользователей, совершивших favorites_add:', user_show_favorites_add)

Кол-во пользователей, совершивших favorites_add: 136


list_user_show_favorites_add = list(users_show.query('user_id in @list_users_show and \
event_name == "favorites_add"')['user_id'])


favorites_add_advert_open_count = users_show.query('user_id in @list_user_show_favorites_add and \
event_name == "advert_open"')['user_id'].nunique()
print('Количество пользователей, совершивших avorites_add и advert_open=', favorites_add_advert_open_count)

Количество пользователей, совершивших avorites_add и advert_open= 58


total_favorit_and_open = users_show.query('event_name == "favorites_add"')['user_id'].nunique()
total_favorit_and_open

351


list_total_favorit_and_open = list(users_show.query('event_name == "favorites_add"')['user_id'])


user_show_advert_open = users_show.query('user_id in @list_users_show and event_name == "advert_open"')['user_id'].nunique()
print('Количество  пользователей,которые совершили advert_open = ', user_show_advert_open)

Количество  пользователей,которые совершили advert_open =  138


count_favorites_add_and_advert_open = users_show.query('user_id in @list_total_favorit_and_open and event_name == "advert_open"')['user_id'].nunique()
count_favorites_add_and_advert_open

120


difference = user_show_advert_open-user_show_favorites_add 
difference

2


dif = total_favorit_and_open - count_favorites_add_and_advert_open
print('Количество пользователей, совершивших favorites_add всего=',dif)

Количество пользователей, совершивших favorites_add всего= 231


alpha = 0.05 # критический уровень статистической значимости
purchases = np.array([favorites_add_advert_open_count, count_favorites_add_and_advert_open])
leads = np.array([difference, dif])
# пропорция успехов в первой группе:
p1 = purchases[0]/leads[0]
# пропорция успехов во второй группе:
p2 = purchases[1]/leads[1]
# пропорция успехов в комбинированном датасете:
p_combined = (purchases[0] + purchases[1]) / (leads[0] + leads[1])
# разница пропорций в датасетах
difference = p1 - p2
# считаем статистику в ст.отклонениях стандартного нормального распределения
z_value = difference / mth.sqrt(p_combined * (1 - p_combined) * (1/leads[0] + 1/leads[1]))
# задаем стандартное нормальное распределение (среднее 0, ст.отклонение 1)
distr = st.norm(0, 1)
p_value = (1 - distr.cdf(abs(z_value))) * 2
print('p-значение: ', p_value)
if p_value < alpha:
    print('Отвергаем нулевую гипотезу: между долями есть значимая разница')
else:
    print(
'Не получилось отвергнуть нулевую гипотезу, нет оснований считать доли разными'
)

p-значение:  0.0
Отвергаем нулевую гипотезу: между долями есть значимая разница

	event_date_time	event_name	user_id	source
0	2019-10-07 00:00:00.431357	advert_open	020292ab-89bc-4156-9acf-68bc2783f894	other
1	2019-10-07 00:00:01.236320	tips_show	020292ab-89bc-4156-9acf-68bc2783f894	other
2	2019-10-07 00:00:02.245341	tips_show	cf7eda61-9349-469f-ac27-e5b6f5ec475c	yandex
3	2019-10-07 00:00:07.039334	tips_show	020292ab-89bc-4156-9acf-68bc2783f894	other
4	2019-10-07 00:00:56.319813	advert_open	cf7eda61-9349-469f-ac27-e5b6f5ec475c	yandex

	event_date_time	event_name	user_id	source
805	2019-10-07 13:39:45.989359	tips_show	0001b1d5-b74a-4cbf-aeb0-7df5947bf349	other
806	2019-10-07 13:40:31.052909	tips_show	0001b1d5-b74a-4cbf-aeb0-7df5947bf349	other
809	2019-10-07 13:41:05.722489	tips_show	0001b1d5-b74a-4cbf-aeb0-7df5947bf349	other
820	2019-10-07 13:43:20.735461	tips_show	0001b1d5-b74a-4cbf-aeb0-7df5947bf349	other
830	2019-10-07 13:45:30.917502	tips_show	0001b1d5-b74a-4cbf-aeb0-7df5947bf349	other
...	...	...	...	...
72584	2019-11-03 15:51:23.959572	tips_show	fffb9e79-b927-4dbb-9b48-7fd09b23a62b	google
72589	2019-11-03 15:51:57.899997	contacts_show	fffb9e79-b927-4dbb-9b48-7fd09b23a62b	google
72684	2019-11-03 16:07:40.932077	tips_show	fffb9e79-b927-4dbb-9b48-7fd09b23a62b	google
72688	2019-11-03 16:08:18.202734	tips_show	fffb9e79-b927-4dbb-9b48-7fd09b23a62b	google
72689	2019-11-03 16:08:25.388712	tips_show	fffb9e79-b927-4dbb-9b48-7fd09b23a62b	google

	event_date_time	event_name	user_id	source	session_id
805	2019-10-07 13:39:45.989359	tips_show	0001b1d5-b74a-4cbf-aeb0-7df5947bf349	other	1
806	2019-10-07 13:40:31.052909	tips_show	0001b1d5-b74a-4cbf-aeb0-7df5947bf349	other	1
809	2019-10-07 13:41:05.722489	tips_show	0001b1d5-b74a-4cbf-aeb0-7df5947bf349	other	1
820	2019-10-07 13:43:20.735461	tips_show	0001b1d5-b74a-4cbf-aeb0-7df5947bf349	other	1
830	2019-10-07 13:45:30.917502	tips_show	0001b1d5-b74a-4cbf-aeb0-7df5947bf349	other	1
...	...	...	...	...	...
72584	2019-11-03 15:51:23.959572	tips_show	fffb9e79-b927-4dbb-9b48-7fd09b23a62b	google	10368
72589	2019-11-03 15:51:57.899997	contacts_show	fffb9e79-b927-4dbb-9b48-7fd09b23a62b	google	10368
72684	2019-11-03 16:07:40.932077	tips_show	fffb9e79-b927-4dbb-9b48-7fd09b23a62b	google	10368
72688	2019-11-03 16:08:18.202734	tips_show	fffb9e79-b927-4dbb-9b48-7fd09b23a62b	google	10368
72689	2019-11-03 16:08:25.388712	tips_show	fffb9e79-b927-4dbb-9b48-7fd09b23a62b	google	10368

	event_name	no_show_proz	show_proz
0	tips_show	0.539915	0.469567
1	photos_show	0.135002	0.140782
2	advert_open	0.083135	0.058438
3	contacts_show	0.061013	0.166342
4	map	0.052137	0.040491
5	search_1	0.047240	0.049318
6	favorites_add	0.019115	0.015593
7	search_5	0.014123	0.009157
8	tips_click	0.010980	0.012247
9	search_4	0.009456	0.005480
10	contacts_call	0.007298	0.019896
11	search_3	0.007041	0.005296
12	search_6	0.006205	0.002721
13	search_2	0.004371	0.003531
14	search_7	0.002968	0.001140

	source	event_name
0	google	1439
1	other	1051
2	yandex	2033

Анализ поведения пользователей в мобильном приложении¶

Описание данных:¶

Декомпозиция¶

Анализ событий¶

Шаг 1. Открыть файлы с данными и изучите общую информацию¶

Шаг 2. Подготовка данных¶

Количество событий в приложении¶

Источники¶

Время пользователя в приложении¶

Анализ взаимосвязи просмотра ĸонтаĸтов с другими событиями¶

Время между ĸаждым событием и целевым¶

Найдем пару map -> show_contacts в рамке одной сесии, и посчитаем медианное и среднее время между этими событиями.¶

Найдем пару search -> show_contacts в рамке одной сесии, и посчитаем медианное и среднее время между этими событиями.¶

Конверсия по всем пользователям, на совершение действий в приложении.¶

Диаграмма Сэнкей¶

Построение воронки¶

Построение воронки №2¶

Построение воронки №3¶

Построение воронки №4¶

Проверка гипотезы №1¶

Проверка гипотезы №2¶

	event_count
count	4293.000000
mean	17.283252
std	29.130677
min	1.000000
25%	5.000000
50%	9.000000
75%	17.000000
max	478.000000

	event_name	user_id
0	tips_show	40055
1	photos_show	10012
2	advert_open	6164
3	contacts_show	4529
4	map	3881
5	search_1	3506
6	favorites_add	1417
7	search_5	1049
8	tips_click	814
9	search_4	701
10	contacts_call	541
11	search_3	522
12	search_6	460
13	search_2	324
14	search_7	222

	event_name	user_show
0	tips_show	12768
1	contacts_show	4523
2	photos_show	3828
3	advert_open	1589
4	search_1	1341
5	map	1101
6	contacts_call	541
7	favorites_add	424
8	tips_click	333
9	search_5	249
10	search_4	149
11	search_3	144
12	search_2	96
13	search_6	74
14	search_7	31

	event_name	user_no_show_contact
0	tips_show	40025
1	photos_show	10008
2	advert_open	6163
3	contacts_show	4523
4	map	3865
5	search_1	3502
6	favorites_add	1417
7	search_5	1047
8	tips_click	814
9	search_4	701
10	contacts_call	541
11	search_3	522
12	search_6	460
13	search_2	324
14	search_7	220

	event_name	user	count
14	tips_show	020292ab-89bc-4156-9acf-68bc2783f894	2771
4	map	020292ab-89bc-4156-9acf-68bc2783f894	1440
5	photos_show	c2cf55c0-95f7-4269-896c-931d14deaab5	1091
2	contacts_show	8c356c42-3ba9-4cb6-80b8-3f868d0192c3	975
6	search_1	48e614d6-fe03-40f7-bf9e-4c4f61c19f64	783
0	advert_open	020292ab-89bc-4156-9acf-68bc2783f894	750
10	search_5	d9b06b47-0f36-419b-bbb0-3533e582a6cb	661
9	search_4	d9b06b47-0f36-419b-bbb0-3533e582a6cb	474
3	favorites_add	59013b73-1a5e-4ac0-97dd-81b1a10c8186	351
11	search_6	1df586e9-5be6-4b10-9316-a6f5d4fb317d	330
13	tips_click	8c356c42-3ba9-4cb6-80b8-3f868d0192c3	322
7	search_2	af9f4d75-530c-40f9-9aab-a5535b84845e	242
1	contacts_call	be95e2a4-50e3-4763-bc00-1758848d2641	213
8	search_3	0d19961e-f238-4fb3-84aa-d707e2b626ac	208
12	search_7	1df586e9-5be6-4b10-9316-a6f5d4fb317d	155

	user_id	event_name	event_date_time
4	00157779-810c-4498-9e05-a1e9e3cedf93	contacts_show	2019-10-20 19:17:18.659799
18	00551e79-152e-4441-9cf7-565d7eb04090	contacts_show	2019-10-25 16:44:41.263364
24	005fbea5-2678-406f-88a6-fbe9787e2268	contacts_show	2019-10-11 11:22:54.442841
29	00753c79-ea81-4456-acd0-a47a23ca2fb9	contacts_show	2019-10-20 14:57:06.080501
32	007d031d-5018-4e02-b7ee-72a30609173f	contacts_show	2019-10-22 13:08:09.140381
...	...	...	...
10728	fee3ba1c-16f4-46f7-bf56-4bf80cc4e2f5	contacts_show	2019-10-26 12:13:19.781554
10740	ff1554b5-919e-40b1-90bb-ee1f7f6d5846	contacts_show	2019-10-21 10:59:23.944891
10756	ffc01466-fdb1-4460-ae94-e800f52eb136	contacts_show	2019-10-07 20:33:42.135500
10760	ffe68f10-e48e-470e-be9b-eeb93128ff1a	contacts_show	2019-10-22 16:07:17.683553
10763	fffb9e79-b927-4dbb-9b48-7fd09b23a62b	contacts_show	2019-10-16 12:57:40.598641

	event_name	total_users	convert	cr
1	favorites_add	351	136	0.387464
3	photos_show	1091	339	0.310724
11	tips_click	322	100	0.310559
4	search_1	783	237	0.302682
5	search_2	242	55	0.227273
2	map	1440	289	0.200694
12	tips_show	2771	516	0.186214
7	search_4	474	88	0.185654
0	advert_open	750	138	0.184000
6	search_3	208	38	0.182692
8	search_5	661	114	0.172466
10	search_7	155	25	0.161290
9	search_6	330	52	0.157576

	event_date_time	event_name	user_id	source	session_id
31632	2019-10-19 21:34:33.849769	search_1	00157779-810c-4498-9e05-a1e9e3cedf93	yandex	5
31636	2019-10-19 21:35:19.296599	search_1	00157779-810c-4498-9e05-a1e9e3cedf93	yandex	5
31640	2019-10-19 21:36:44.344691	search_1	00157779-810c-4498-9e05-a1e9e3cedf93	yandex	5
31655	2019-10-19 21:40:38.990477	photos_show	00157779-810c-4498-9e05-a1e9e3cedf93	yandex	5
31659	2019-10-19 21:42:13.837523	photos_show	00157779-810c-4498-9e05-a1e9e3cedf93	yandex	5
...	...	...	...	...	...
72584	2019-11-03 15:51:23.959572	tips_show	fffb9e79-b927-4dbb-9b48-7fd09b23a62b	google	10368
72589	2019-11-03 15:51:57.899997	contacts_show	fffb9e79-b927-4dbb-9b48-7fd09b23a62b	google	10368
72684	2019-11-03 16:07:40.932077	tips_show	fffb9e79-b927-4dbb-9b48-7fd09b23a62b	google	10368
72688	2019-11-03 16:08:18.202734	tips_show	fffb9e79-b927-4dbb-9b48-7fd09b23a62b	google	10368
72689	2019-11-03 16:08:25.388712	tips_show	fffb9e79-b927-4dbb-9b48-7fd09b23a62b	google	10368

	index	session_id	first_event	first_show_contacts	diff
0	0	6	2019-10-20 18:49:24.115634	2019-10-20 19:17:18.659799	0 days 00:27:54.544165
1	1	8	2019-10-29 21:18:24.850073	2019-10-29 21:26:40.258472	0 days 00:08:15.408399
2	2	9	2019-10-30 07:50:45.948358	2019-10-30 08:01:05.420773	0 days 00:10:19.472415
5	5	19	2019-10-28 13:08:15.809056	2019-10-28 13:10:40.331441	0 days 00:02:24.522385
8	8	30	2019-10-22 13:02:26.636223	2019-10-22 13:08:09.140381	0 days 00:05:42.504158
...	...	...	...	...	...
1691	1691	10360	2019-10-29 16:12:15.417343	2019-10-29 16:13:00.681459	0 days 00:00:45.264116
1693	1693	10365	2019-11-02 18:01:27.094834	2019-11-02 18:17:41.386651	0 days 00:16:14.291817
1694	1694	10366	2019-11-02 19:25:53.794029	2019-11-02 19:26:07.834494	0 days 00:00:14.040465
1695	1695	10367	2019-11-03 14:32:55.956301	2019-11-03 14:33:47.921863	0 days 00:00:51.965562
1696	1696	10368	2019-11-03 15:36:01.007440	2019-11-03 15:48:05.420247	0 days 00:12:04.412807

	index	session_id	diff
count	1160.000000	1160.000000	1160
mean	863.590517	5403.843966	0 days 00:09:45.569282692
std	484.904906	2969.959565	0 days 00:13:38.461736017
min	0.000000	6.000000	0 days 00:00:00.158918
25%	443.750000	2936.750000	0 days 00:01:23.731704750
50%	876.500000	5564.500000	0 days 00:04:51.950202500
75%	1274.250000	7882.250000	0 days 00:12:20.300075250
max	1696.000000	10368.000000	0 days 03:21:08.091077

	session_id	contacts_event_time	map_event_time
8	30	2019-10-22 13:08:09.140381	2019-10-22 13:02:26.636223
33	163	2019-10-17 11:03:23.898333	2019-10-17 10:56:27.109806
38	183	2019-10-22 16:36:48.062582	2019-10-22 16:32:47.697266
43	235	2019-10-09 13:49:41.825754	2019-10-09 13:45:07.605410
44	241	2019-10-21 17:30:50.223732	2019-10-21 17:26:28.646441
...	...	...	...
1623	9948	2019-10-23 12:29:59.741763	2019-10-23 12:28:37.779503
1630	9975	2019-10-19 19:58:45.717498	2019-10-19 19:58:07.577606
1639	10056	2019-10-31 12:07:38.629696	2019-10-31 12:06:13.151254
1643	10102	2019-10-26 08:51:43.850449	2019-10-26 08:48:44.633046
1659	10232	2019-10-18 14:12:22.557426	2019-10-18 14:10:52.847046

	session_id	contacts_event_time	map_event_time	diff
8	30	2019-10-22 13:08:09.140381	2019-10-22 13:02:26.636223	0 days 00:05:42.504158
33	163	2019-10-17 11:03:23.898333	2019-10-17 10:56:27.109806	0 days 00:06:56.788527
38	183	2019-10-22 16:36:48.062582	2019-10-22 16:32:47.697266	0 days 00:04:00.365316
43	235	2019-10-09 13:49:41.825754	2019-10-09 13:45:07.605410	0 days 00:04:34.220344
44	241	2019-10-21 17:30:50.223732	2019-10-21 17:26:28.646441	0 days 00:04:21.577291
...	...	...	...	...
1623	9948	2019-10-23 12:29:59.741763	2019-10-23 12:28:37.779503	0 days 00:01:21.962260
1630	9975	2019-10-19 19:58:45.717498	2019-10-19 19:58:07.577606	0 days 00:00:38.139892
1639	10056	2019-10-31 12:07:38.629696	2019-10-31 12:06:13.151254	0 days 00:01:25.478442
1643	10102	2019-10-26 08:51:43.850449	2019-10-26 08:48:44.633046	0 days 00:02:59.217403
1659	10232	2019-10-18 14:12:22.557426	2019-10-18 14:10:52.847046	0 days 00:01:29.710380

	event_name	cnt_users
0	tips_show	2771
1	search	1658
2	map	1440
3	photos_show	1091
4	contacts_show	975
5	advert_open	750
6	favorites_add	351
7	tips_click	322
8	contacts_call	213

	event_name	cnt_users	share
0	tips_show	2771	65.54%
1	search	1658	39.21%
2	map	1440	34.06%
3	photos_show	1091	25.80%
4	contacts_show	975	23.06%
5	advert_open	750	17.74%
6	favorites_add	351	8.30%
7	tips_click	322	7.62%
8	contacts_call	213	5.04%

	event_date_time	user_id	source	session_id	event_unique
74131	2019-11-03 16:08:25.388712	fffb9e79-b927-4dbb-9b48-7fd09b23a62b	google	10368	NaN
74124	2019-11-03 15:50:01.773945	fffb9e79-b927-4dbb-9b48-7fd09b23a62b	google	10368	NaN
74118	2019-11-03 15:36:01.007440	fffb9e79-b927-4dbb-9b48-7fd09b23a62b	google	10368	tips_show
74119	2019-11-03 15:36:29.041818	fffb9e79-b927-4dbb-9b48-7fd09b23a62b	google	10368	NaN
74120	2019-11-03 15:37:18.264804	fffb9e79-b927-4dbb-9b48-7fd09b23a62b	google	10368	NaN
...	...	...	...	...	...
1	2019-10-07 13:40:31.052909	0001b1d5-b74a-4cbf-aeb0-7df5947bf349	other	1	NaN
6	2019-10-07 13:46:31.033718	0001b1d5-b74a-4cbf-aeb0-7df5947bf349	other	1	NaN
7	2019-10-07 13:47:32.860234	0001b1d5-b74a-4cbf-aeb0-7df5947bf349	other	1	NaN
8	2019-10-07 13:49:41.716617	0001b1d5-b74a-4cbf-aeb0-7df5947bf349	other	1	NaN
0	2019-10-07 13:39:45.989359	0001b1d5-b74a-4cbf-aeb0-7df5947bf349	other	1	tips_show

	user_id	event_name	event_date_time
0	0001b1d5-b74a-4cbf-aeb0-7df5947bf349	map	2019-10-09 18:33:55.577963
1	0001b1d5-b74a-4cbf-aeb0-7df5947bf349	tips_show	2019-10-07 13:39:45.989359
2	00157779-810c-4498-9e05-a1e9e3cedf93	advert_open	2019-10-24 10:52:18.644065
3	00157779-810c-4498-9e05-a1e9e3cedf93	contacts_call	2019-10-20 19:17:24.887762
4	00157779-810c-4498-9e05-a1e9e3cedf93	contacts_show	2019-10-20 19:17:18.659799
...	...	...	...
9566	ffe68f10-e48e-470e-be9b-eeb93128ff1a	photos_show	2019-10-21 16:49:57.103308
9567	ffe68f10-e48e-470e-be9b-eeb93128ff1a	search	2019-10-21 16:39:33.867145
9568	fffb9e79-b927-4dbb-9b48-7fd09b23a62b	contacts_show	2019-10-16 12:57:40.598641
9569	fffb9e79-b927-4dbb-9b48-7fd09b23a62b	map	2019-10-12 01:07:53.959366
9570	fffb9e79-b927-4dbb-9b48-7fd09b23a62b	tips_show	2019-10-12 00:57:21.241896